A tanulmány címe:
Konzisztens PLS-modellezés alkalmazása egy lehetséges közösségi kriptovaluta felhasználói elfogadásának vizsgálatában
Szerzők:
ARANYOSSY MÁRTA, a Budapesti Corvinus Egyetem egyetemi docense E-mail: marta.aranyossy@uni-corvinus.hu
RECSKÓ MÁRK, a Budapesti Corvinus Egyetem volt hallgatója E-mail: recskomark@gmail.com
DOI: https://doi.org/10.20311/stat2021.9.hu0844
Az alábbi feltételek érvényesek minden, a Központi Statisztikai Hivatal (a továbbiakban: KSH) Statisztikai Szemle c. folyóiratában (a továbbiakban: Folyóirat) megjelenő tanulmányra. Felhasználó a tanulmány vagy annak részei felhasználásával egyidejűleg tudomásul veszi a jelen dokumentumban foglalt felhasználási feltételeket, és azokat magára nézve kötelezőnek fogadja el. Tudomásul veszi, hogy a jelen feltételek megszegéséből eredő valamennyi kárért felelősséggel tartozik.
1. A jogszabályi tartalom kivételével a tanulmányok a szerzői jogról szóló 1999. évi LXXVI. törvény (Szjt.) szerint szerzői műnek minősülnek. A szerzői jog jogosultja a KSH.
2. A KSH földrajzi és időbeli korlátozás nélküli, nem kizárólagos, nem átadható, térítésmentes fel- használási jogot biztosít a Felhasználó részére a tanulmány vonatkozásában.
3. A felhasználási jog keretében a Felhasználó jogosult a tanulmány:
a) oktatási és kutatási célú felhasználására (nyilvánosságra hozatalára és továbbítására a 4. pontban foglalt kivétellel) a Folyóirat és a szerző(k) feltüntetésével;
b) tartalmáról összefoglaló készítésére az írott és az elektronikus médiában a Folyóirat és a szer- ző(k) feltüntetésével;
c) részletének idézésére – az átvevő mű jellege és célja által indokolt terjedelemben és az erede- tihez híven – a forrás, valamint az ott megjelölt szerző(k) megnevezésével.
4. A Felhasználó nem jogosult a tanulmány továbbértékesítésére, haszonszerzési célú felhasználásá- ra. Ez a korlátozás nem érinti a tanulmány felhasználásával előállított, de az Szjt. szerint önálló szerzői műnek minősülő mű ilyen célú felhasználását.
5. A tanulmány átdolgozása, újra publikálása tilos.
6. A 3. a)–c.) pontban foglaltak alapján a Folyóiratot és a szerző(ke)t az alábbiak szerint kell feltün- tetni:
„Forrás: Statisztikai Szemle c. folyóirat 99. évfolyam 9. számában megjelent, Aranyossy Márta, Recskó Márk által írt, ’Konzisztens PLS-modellezés alkalmazása egy lehetséges közösségi kriptovaluta felhasználói elfogadásának vizsgálatában’ című tanulmány (link csatolása)”
7. A Folyóiratban megjelenő tanulmányok kutatói véleményeket tükröznek, amelyek nem esnek szükségképpen egybe a KSH vagy a szerzők által képviselt intézmények hivatalos álláspontjával.
Konzisztens PLS-modellezés alkalmazása egy lehetséges közösségi kriptovaluta felhasználói
elfogadásának vizsgálatában
Application of consistent PLS modelling to explore user adoption factors of a social cryptocurrency
ARANYOSSY MÁRTA,
a Budapesti Corvinus Egyetem egyetemi docense
E-mail: marta.aranyossy@uni-corvinus.hu
RECSKÓ MÁRK,
a Budapesti Corvinus Egyetem volt hallgatója
E-mail: recskomark@gmail.com
A fizetőeszközök fejlődése részben az új blokklánc-technológiák népszerűbbé válásának következményeként az utóbbi évtizedben felgyorsult, és az egyre erősödő e-kereskedelmi aktivitás kontextusában fontos elvárássá vált velük szemben a gyorsaság, az egyszerűség és a biztonság.
A kriptovaluták terjedése is ezen fő trendekhez illeszkedik, így mind elméleti, mind gyakorlati szempontból izgalmas kérdés, hogy milyen tényezők fogják meghatározni e téren a hazai felhasz- nálók technológiaelfogadását. Jelen tanulmány a népszerű technológiaelfogadás és -használat egységesített elméletének (unified theory of acceptance and use of technology, UTAUT) fogalmi keretében vizsgálja azokat a tényezőket, amelyek egy lehetséges közösségi kriptovalutával kapcso- latos attitűdöt befolyásolják. Az UTAUT-modell tesztelésének széles körben elterjedt eszköze a varianciaalapú strukturális egyenletek módszere (partial least squares structural equation modelling, PLS1-SEM); a szerzők a kutatási célkitűzéseikhez és a mintához legjobban illeszkedő konzisztens PLS- (consistent PLS, PLSc) modell egy alkalmazási lehetőségét mutatják be.
TÁRGYSZÓ:PLS-SEM, konzisztens PLS, UTAUT
In recent times, the development speed of payment instruments has accelerated, partly thanks to the advancements in blockchain technologies. At the same time, speed, simplicity, and security have become more and more important expectations of users in the context of increasing e-commerce. The spread of cryptocurrencies also fits into these main trends, so the exploration of factors of cryptocurrency user acceptance has both theoretical and practical relevance. This study examines the factors influencing attitudes towards the use of a hypothetical social media cryptocur- rency in the popular conceptual framework of the unified theory of technology acceptance and use
1Parciális legkisebb négyzetek.
(UTAUT). The partial least squares structural equation modelling (PLS-SEM) is a widely used tool for testing the UTAUT model, and the authors present an application of the consistent PLS method that best fits their research objectives and sample.
KEYWORD: PLS-SEM, consistent PLS, UTAUT
A
z ember a történelem során folyamatosan kereste az olyan megoldásokat, amelyekkel gyorsabban, egyszerűbben és biztonságosabban tudja a pénzügyeit ke- zelni. Az újabb és újabb fizetőeszközök teljesítették ezeket a szempontokat, a legna- gyobb forradalmi változás azonban mégis az internet megjelenésével következett be.Egyes vélemények szerint a blokklánc-technológia nemcsak költséghatékonyabbá és gyorsabbá tehetné a jövő fizetési módszerét, hanem biztonságosabbá is (Swan [2017]), így a kriptovalutákat és lehetséges használatukat már most kutatják, próbálva minél jobban kiküszöbölni azok azonosított gyengeségeit és veszélyeit.
A blokklánc-technológia üzleti és iparági jelentősége okán fontos a potenciális felhasználók attitűdjének elemzése már ebben a korai szakaszban is, amelyhez ígére- tes módszertanok állnak rendelkezésre az alkalmazott statisztika területén az utóbbi évtizedekben lezajlott fejlődés eredményeként. A vállalati, kínálati oldal könnyebben veheti át az új megoldásokat, emiatt különös figyelmet kap a keresleti, fogyasztói oldal, azaz a fogyasztói technológia elfogadásának vizsgálata (Arifovic–Duffy–
Jiang [2017]). Így kutatásunkban egy közösségi oldal által bevezetett és működtetett hipotetikus kriptovalutával kapcsolatos használati szándékot, illetve annak befolyá- soló tényezőit igyekszünk felmérni. Vizsgálatunk alapját a technológiaelfogadás nemzetközi szakirodalmában használt UTAUT-modell képezi.
Az UTAUT-modellben szereplő látens változók közötti komplex kapcsolatrend- szer tanulmányozásának egyik elterjedt módszere a SEM-modellcsaládon belül a PLS-útelemzés. A PLS-SEM-et (Mateos-Aparicio [2011]) a gazdálkodástudomány- ban a szervezeti magatartás (Keszey [2018]), a fogyasztói magatartás (Kazár [2014]) és a technológiamenedzsment (T. Nagy–Bernschütz [2017]) területén egyaránt al- kalmazzák Magyarországon is. A technológiaelfogadás-fókuszú kutatási célkitűzése- inkhez megfelelően illeszkedik a PLS-SEM módszertana (Nemeslaki–Aranyossy–
Sasvári [2016]), ezért jelen tanulmány igyekszik rávilágítani arra, hogy e módszer miként szolgálhatja a megismerést az alkalmazott statisztika területén, és hogy mi- lyen módon állítható egy ilyen elemzés a digitális fejlődés szolgálatába.
1. Szakirodalmi áttekintés
1.1. A közösségi kriptovaluta kialakulásának kedvező trendek
Az Európai Központi Bank meghatározása alapján „a kriptovaluta egy olyan szabályozatlan, digitális pénz, amelyet annak fejlesztői bocsátottak ki és működtet- nek, és egy specifikus virtuális közösség fogadja el, illetve használja” (European Central Bank [2012] 14. old.). Ahhoz, hogy egy lehetséges közösségi kriptovaluta felhasználói befogadásának esélyét vizsgálhassuk, először a bevezetését elősegítő faktorokat kell feltárnunk. A következő öt kiemelt trend azonosítható:
1. A fizetőeszközök, illetve a fizetési módszerek fejlődése az utóbbi évszázadban felgyorsult, és előtérbe került a gyorsaság, az egy- szerűség, valamint abiztonság iránti növekvő igény (Bezovski [2016]).
Miközben egyes országok, például India vagy Svédország, már a készpénzmentességet tervezik, egyre több nem pénzügyi vállalkozás indítja el saját e-pénzét, ilyen például az Amazon Coin vagy a kínai Q Coin.
2. Az internetalapú kereskedelmi technológiák térnyerését mutatja, hogy 2019-ben a lakossági e-kereskedelem már több mint 3,5 billiárd dollárt tett ki, a becslések alapján pedig 2023-ra ez az érték át is lépheti a 6 billiárdot (Emarketer [2019]). Az online kereskedelemmel párhuza- mosan az online fizetési megoldásokra is egyre növekvő az igény.
3. Az előbbiekkel párhuzamosan a blokklánc-technológia is egy- re népszerűbb az üzleti világban, már manapság is számos szektorban alkalmazzák; így a kriptovaluták ismertsége és ezáltal az elfogadottsá- ga is rohamosan növekszik (Blockchain [2019]). Nofer et al. [2017]
segítségével megismerhetjük ennek az új technológiának a működési elveit, de elemzésünk szempontjából külön figyelmet érdemel annak kiemelt biztonsági és gyorsasági komponense.
4. Meghatározó környezeti elem a közösségi média növekvő elter- jedtsége és potenciálja egy, a platformjához kötődő új valuta bevezeté- sében és működtetésében. 2021-ben már 4,2 milliárd fölött volt az aktív közösségimédia-használók száma (We Are Social–DataReportal–
Hootsuite [2021]), és egyelőre továbbra is a Facebook a legnépszerűbb platform (We Are Social–Hootsuite–DataReportal [2019]). Ezért a kuta- tásunkat ebbe a környezetbe helyeztük.
5. Bizonyos fogyasztói trendek szintén lényegesen befolyásolják a kriptovaluták befogadásához szükséges környezetet. A Z generáció 52 százaléka a közösségi médián keresztül fedezi fel a márkákat,
amely mellett a tv (16%), a szóbeszéd (12%) és az újságok, magazinok (3%) aránya szinte eltörpül (Bloomberg Businessweek [2019]). A fo- gyasztói igények változásával párhuzamosan a vásárlási folyamatba ágyazott fizetési megoldások terén is folyamatosak az innovációk.
A támogató trendek mellett természetesen a blokklánc-technológiának számos kihívással is meg kell küzdenie. Elterjedését lassítják a magas telepítési, átállási költ- ségek, illetve a szigorú állami szabályozások (Crosby et al. [2016]). Sok esetben problémát jelent a skálázhatóság, a hatékonyság és a biztonság párhuzamos biztosítá- sa (Swan [2017]), továbbá jelentős járulékos társadalmi költségek merülhetnek fel.
Így például a bitcoin-bányászat már évekkel ezelőtt is Írország fogyasztásával meg- egyező energiát emésztett fel (Baliga [2017]), és komoly fejtörést okoz a hatóságok- nak a kriptovaluták segítségével nagy volumenben végzett pénzmosás is (Brenig–
Accorsi–Müller [2015]).
Míg azinternet, a közösségi média, a blokklánc-technológia és az új fizetési esz- közök alapvetőenkínálatioldalról teszik lehetővé a közösségi kriptovaluták potenciális megjelenését, addig a fogyasztók igénye az új élményekre, illetve a Z generáció térhódításával megváltozó fogyasztói trendek társadalmi, keresleti oldalról járulnak hozzá ehhez.
1.2. Technológiaelfogadási elméletek
Bár korábban is végeztek kutatásokat az új technológiák fogyasztói elfogadásá- nak témájában, az első igazi technológiaelfogadási modelleket (technology acceptance model, TAM) az 1970-es években tették közzé. Ezek azt próbálták feltárni az alkalma- zott statisztika tárházának felhasználásával, hogy a fogyasztók milyen folyamat része- ként fogadják el és kezdik használni az újításokat. Davis [1986], [1989] az Aizen és Fishbein [1980] által kidolgozott általános átgondolt cselekvési elméletre építve alkot- ták meg a TAM keretrendszerét, amely az információmenedzsment szakirodalmának egyik legelterjedtebb teóriájává vált. Davis felbontása alapján a felhasználó hozzáállása egy újítás alkalmazásához két tényezőn alapul – ezek: az észlelt hasznosság és a hasz- nálat észlelt egyszerűsége. Ebből a két tényezőből áll össze a használatra vonatkozó attitűd mint érzelmi alapú reakció, majd végül a tényleges használat mint viselkedés (Davis [1986], [1989]; Davis–Bagozzi–Warshaw [1989]).
Sikerét követően megszülettek a TAM továbbfejlesztett, kiegészített változatai is, melyek közül kiemelkedő a nyolc különböző modell összehasonlítása és szintetizálása alapján, 2003-ban kialakított UTAUT-modell. Ebben a használati szándékot magyarázó változók között a várható teljesítmény, a várható szükséges erőfeszítés, a közösségi hatás és az elősegítő feltételek szerepelnek, a függő és a független változók kapcsolatát potenciálisan befolyásoló moderáló változók között pedig megjelenik a nem, a kor,
a tapasztalat és az önkéntesség (Venkatesh et al. [2003]). Ez a keretrendszer képezi jelen kutatási modellünk alapját is. A szerzők (Venkatesh et al. [2003]) a várható teljesít- ményt úgy határozták meg, hogy a felhasználó milyen mértékben hisz egy adott techno- lógia hasznosságában a saját egyéni teljesítménynövelésének vonatkozásában. A várha- tó szükséges erőfeszítés az észlelt egyszerűség fokát méri egy rendszer alkalmazása esetén. A közösségi hatás pedig az egyén arra vonatkozó észlelését összegzi, hogy hasz- nálnia kellene-e mások szerint az adott eszközt, azaz számára mennyire erős befolyásoló tényező mások észlelt véleménye. Végül az elősegítő feltételeket annak mértékeként definiálták, hogy a személy mennyire bízik abban a szervezeti és technikai infrastruktúra létezésében, amely a rendszer használatát támogatja (Venkatesh et al. [2003]). Az előbbi modellek megalkotói elméletük leírása mellett gyakorlati alkalmazással is szemléltették elgondolásukat, és sok esetben összehasonlítással is éltek (Davis [1986], [1989]; Davis–
Bagozzi–Warshaw [1989]; Venkatesh et al. [2003]; Venkatesh–Thong–Xu [2012]).
Tanulmányunkba az általános technológiaelfogadási keretrendszerek mellett a kriptovalutákkal és egyéb online fizetési módokkal foglalkozó vizsgálatok, a még be nem vezetett technológiák adaptációs esélyeit felmérő elemzések, valamint a magyar vonatkozású technológiabefogadási kutatások tapasztalatait is érdemesnek tartottuk beépíteni. Kriptovalutákra és azok elfogadására fókuszáló munkák készültek például Spanyolországban (Mendoza-Tello et al. [2018], Arias-Oliva–Pelegrín-Borondo–
Matías-Clavero [2019]), Indonéziában (Gunawan–Novendra [2017]), illetve Korea, Kína és Vietnám hármasára összpontosítva is (Jung et al. [2019]). Érdekes módon ezek többségükben – a modellek eredeti céljától eltérően – a már bevezetett techno- lógiákra fókuszálnak (Keszey–Zsukk [2017]), ezért közvetlenül nem összehasonlítha- tók a mi kutatási elképzelésünkkel. Szintén az UTAUT-modellre építette kérdőívét Moon és Hwang [2018] Dél-Koreában, akik a fintech témakör egy rokon területén, a közösségi finanszírozási (crowdfunding) technológiákra vonatkozó támogatási haj- landóságot tanulmányozták.
Magyar vonatkozásban Nemeslaki, Aranyossy és Sasvári [2016] elektronikus szavazással kapcsolatos, PLS-alapú technológiaelfogadási vizsgálata mellett T. Nagy és Bernschütz [2017] oktatási videókkal foglalkozó dolgozata számít referenciának, így ezek tanulságait is beépítettük jelen kutatásba.
2. Kutatási kérdések és módszertan
2.1. Kutatási modell és hipotézisek
A közösségi kriptovaluta alapján működő fizetési rendszerek adaptációs esé- lyének vizsgálata során Venkatesh et al. [2003] UTAUT-modelljéből indultunk ki.
Az eddigi hasonló munkák megerősítik az UTAUT változóinak relevanciáját. Példá- ul a mobil fizetési rendszerek adaptációja kapcsán Mondego és Gide [2018] a 2013 és 2017 közötti időszak 76 kutatásának anyagát gyűjtötték össze, amelyek kö- zül 59 volt kérdőívalapú és 42 fókuszált a fogyasztókra. Ezekben az észlelt hasznos- ság, a használat észlelt egyszerűsége, az észlelt kockázat, a várható teljesítmény, a közösségi hatás és a várható szükséges erőfeszítés voltak a leggyakrabban elemzett magyarázó változók. Célunk annak vizsgálata, hogy a kiterjesztett UTAUT-modell kapcsolatai egy hipotetikus közösségi kriptovaluta magyarországi potenciális célpia- cán is relevánsak-e, a lehető legteljesebb képet kapva ezzel e jövőbeli piac felhaszná- lói attitűdöt befolyásoló tényezőiről. A következőkben bemutatjuk az általunk meg- fogalmazott hipotéziseket.
Az UTAUT-modellben szereplő várható teljesítmény változó már 2003-ban a használati szándék legerősebb indikátorának számított (Venkatesh et al. [2003]).
Ezt – tehát, hogy az új technológia észlelt hasznossága tűnik az elfogadás elsődleges meghatározójának – később számos más kutatásban is megerősítették (Gunawan–
Novendra [2017], Arias-Oliva–Pelegrín-Borondo–Matías-Clavero [2019]).
H1: A várható teljesítmény egy jövőbeli közösségi kriptovaluta használatának vonatkozásában pozitív hatással van a használati szándékra.
A várható szükséges erőfeszítés – vagy, ahogy magyarul talán pontosabb, a használat várható egyszerűsége – változót az eredeti UTAUT számára három másik korábbi modell egy-egy eleméből alkották meg: a használat észlelt egyszerűségéből (TAM), valamint a komplexitásból és a használat egyszerűségéből. A használat vár- ható egyszerűsége főként az elfogadás kezdeti szakaszában szignifikáns tényező, később fokozatosan háttérbe kerül (Venkatesh et al. [2003]). A kriptovaluták eseté- ben, így itt is jelentős, hogy az adott egyén mennyire észleli könnyűnek az új fizetési mód használatát, valamint megjelenik szempontként, hogy rendelkezik-e alapvető technikai és pénzügyi ismeretekkel, illetve érti-e a blokklánc-technológiát, ami segít- het megbirkózni az új technológiával.
H2: Egy jövőbeli közösségi kriptovaluta használatának várható egyszerűsége pozitív hatással van a használati szándékra.
Az eredeti TAM-hez és egyéb kutatásokhoz hasonlóan mi is vizsgáltuk a várható szükséges erőfeszítés hatását a várható teljesítményre és az így kifejtett közvetett hatást a használati szándékra (Davis [1986], Nemeslaki–Aranyossy–Sasvári [2016]).
H3: Egy jövőbeli közösségi kriptovaluta használatának várható egyszerűsége pozitív hatással van a várható teljesítményre.
Az egyén adaptációs hajlandóságára szignifikáns hatással lehet a körülötte levő személyek reakciója (Moon–Hwang [2018]), különösen a számára fontos emberek (például barátok, rokonok) játszhatnak ebben jelentős szerepet. Feltételezhetjük, hogy a közösségi oldalon a felhasználók egymás között kommunikálnak az új lehető- ségről (Salem–Ali [2019]), és az is jellemző, hogy olyanoktól kérnek segítséget, akik már kapcsolatba kerültek az újítással (Chow et al. [2019]).
H4: A közösségi hatás egy jövőbeli közösségi kriptovaluta haszná- latának vonatkozásában pozitívan befolyásolja a használati szándékot.
A használati szándék erőteljesen függ azoktól a körülményektől is, amelyek- kel a potenciális fogyasztónak számolnia kell a működtetés során. Ilyen tényezők lehetnek a technikai felszereltsége, illetve tudása, a meglevő eszközeinek kompati- bilitása az újdonsággal, a széleskörűen elfogadott alkalmazási előírások vagy ép- pen a könnyen elérhető ügyfélszolgálat (Arias-Oliva–Pelegrín-Borondo–Matías- Clavero [2019]). Ezen tényezőket foglalja magában az UTAUT utolsó, „elősegítő feltételek” eleme.
H5: Az elősegítő feltételek megléte egy jövőbeli közösségi kriptovaluta használatának vonatkozásában pozitív hatással van a használati szándékra.
Ezeken túl a kutatási modellünket kibővítettük az észlelt kockázat és az észlelt bizalom változókkal is. Az észlelt kockázat gyakori kiegészítése a különböző TAM- eknek (Faqih [2016], Salem–Ali [2019]), és új internetes vagy fizetési megoldások esetén érthetően szignifikáns változóvá válhat, figyelembe véve a fogyasztók lopá- soktól, visszaélésektől való félelmét (Askool et al. [2019]). Hangsúlyozandó az a tény is, hogy a felhasználók a szolgáltatásokat alapvetően kockázatosabbnak ítélik meg, mint a termékeket (Humbani–Wiese [2017]).
Merhi, Hone és Tarhini [2019] metaanalízisükben megerősítették, hogy az ész- lelt bizalom kritikus hatással van az egyén viselkedésére. A mobil fizetési szolgálta- tások elterjedésével foglalkozó kutatások is a bizalom kritikus szerepét erősítik meg:
ahhoz, hogy az emberek elkezdjenek használni egy szolgáltatást, megbízható márkát kell felépíteni (Humbani–Wiese [2017]). Az észlelt bizalom kapcsán azt vizsgáljuk, mennyire bíznak a felhasználók magában a technológiában, az internetes vásárlások- ban, a cégekben és kifejezetten a közösségi oldalakban.
H6: Az észlelt kockázat egy jövőbeli közösségi kriptovaluta hasz- nálatának vonatkozásában negatív hatással van a használati szándékra.
H7: Az észlelt bizalom egy jövőbeli közösségi kriptovaluta hasz- nálatának vonatkozásában pozitív hatással van a használati szándékra.
2.2. Adatgyűjtés
Célcsoportunk a közösségi oldalakat használó magyar állampolgárok voltak, akiket – ehhez illeszkedve – a Facebook-on keresztül értünk el. Az adatgyűjtésre szolgáló kérdőívet 2020. március 13-a és április 6-a között lehetett kitölteni. E kö- zösségi oldal, mint közvetítő platform, az esetünkben kritikus jelentőségű volt, hi- szen csak azok számára lehetett értelmezhető a kérdőív, akik legalább a Facebook-ot ismerték, ha nem is használták azt feltétlenül aktívan.
A kérdéseink fókuszában álló, fiktív közösségi kriptovaluta elnevezésének megalkotásánál mérlegelnünk kellett, hogy a szavak eltérő értelmezése, észlelése az eredményeinkre szignifikáns hatással lehet. Megvizsgáltunk több, korábbi kutatá- sokban már alkalmazott anonim (Arifovic–Duffy–Jiang [2017]), illetve márkanevet tartalmazó (Presthus–O’Malley [2017]) alternatívát. Utalásként a Facebook közössé- gi oldalra, az FB-előtagot választottuk, egyértelműen jelölendő, hogy egy itt megva- lósuló fizetési lehetőségről van szó. Magyarországon a Facebook még mindig a leg- nagyobb népszerűségnek örvendő közösségi platform (Statcounter [2020]), így a résztvevők a kitöltés közben is e felülethez tudták kötni a kutatott valutát, még ha ezzel a döntéssel vállaltuk is, hogy a cég reputációja befolyásolhatja a reakciójukat (Yoon–Guffey–Kijewski [1993]). Ahhoz, hogy minél jobban kizárjuk a félreértések- ből adódó, torzított kitöltéseket, az „FB Pénz” kérdőív elején szereplő ismertetőjét a próbakitöltések során finomítottuk, a tesztelők javaslataival módosítottuk.
Az egyes tényezőkre vonatkozó kérdőívkérdéseket (értékelendő állításokat) a korábban ismertetett szempontok szerint kiválasztott nemzetközi kutatásokból (Venkatesh et al. [2003], Venkatesh–Thong–Xu [2012], Nemeslaki–Aranyossy–
Sasvári [2016], Mendoza-Tello et al. [2018], Moon–Hwang [2018], Arias-Oliva–
Pelegrín-Borondo–Matías-Clavero [2019]) adaptáltuk, illetve az azokban már validált állításokat és skálákat alkalmaztuk. A kitöltőknek minden kérdésre válaszol- niuk kellett. A demográfiai adatokon, illetve egy szabadszöveges megjegyzésrovaton kívül 7 pontos Likert-skálával dolgoztunk, ahol az 1-es érték az „Egyáltalán nem értek egyet”, míg a 7-es a „Teljes mértékben egyetértek” válasznak felelt meg.
Finstad [2010] úgy találta, hogy az 5 fokozatú skálával szemben a 7 pontos Likert-elemek lényegesen pontosabbak, könnyebben használhatók, és jobban vissza- tükrözik a kitöltő valódi véleményét, ezért a 7 fokozatú skála a leggyakoribb válasz- tás a szakterületen, többek között a számunkra releváns adaptációs tanulmányokban is (Faqih [2016], Nemeslaki–Aranyossy–Sasvári [2016], Askool et al. [2019]).
A megbízhatóság és a validitás érdekében a klasszikusnak számító TAM- alapművek legalább 10 indikátor felvételét javasolják minden egyes észlelt változóhoz, így biztosítva a minimum 80 százalékos megbízhatóságot (Davis [1986], [1989]).
A minél nagyobb kérdésszámra mi is törekedtünk, azonban a hasonló kutatásokban tapasztalt alacsony kérdésszám (Askool et al. [2019], Arias-Oliva–Pelegrín-Borondo–
Matías-Clavero [2019], Moon–Hwang [2018], Faqih [2016], Nemeslaki–Aranyossy–
Sasvári [2016]) és a kitöltők türelmét megőrző kérdőív-terjedelem érdekében végül több esetben eltértünk e hüvelykujjszabálytól.
2.3. Elemzési módszertan
A hipotéziseink tesztelésére PLS-útelemzést alkalmaztunk. A SEM nemzetközi viszonylatban is közkedvelt technika a látens változós modellezésre, és a SEM- modellcsaládon belül a magyarázott variancia maximalizálására törekvő, variancia- alapú PLS (Kazár [2014]) az egyik leggyakrabban használt módszer a kovarianciaalapú mellett. Elsőként a látens változókat a manifeszt változók lineáris kombinációjaként (külső modell; lásd az 1. ábrát), majd a látens változók strukturális egyenleteit a reziduális tag varianciájának minimalizálására törekedve becsültük meg (belső modell) (Füstös et al. [2004]). A PLS algoritmusa iteratív, meghatározott számban, illetve célértékig ismételve ad becslést a modell paramétereire.
A PLS-útelemzést az utóbbi évtizedben már a hazai kutatások is széles körben alkalmazták. Ezzel a technikával vizsgálta például Kovács és Bodnár [2016] a kü- lönböző tőketényezők hatását a vidéki térségek endogén fejlődésére, illetve Gosztonyi [2021] a fenntartható üzleti modellek alkalmazási jellemzőit a magyaror- szági középvállalkozások esetében. Horváth és Hollósy-Vadász [2019] szintén út- elemzés segítségével tesztelték a közszolgálati motivációs modelleket, Kazár [2014]
pedig egy marketingterületen mutatta be a modell használhatóságát.
A PLS-módszer előnye, hogy nincs szükség a manifeszt változók esetén nor- mális eloszlásra, és viszonylag kis elemszámmal is használható (Hair et al. [2019], Henseler–Ringle–Sinkovics [2009]). A kutatók által feltárt számos pozitívuma mellett (Henseler–Ringle–Sinkovics [2009]) az is kiemelendő, hogy ugyancsak aján- lott olyan kapcsolatok vizsgálatára, amelyeket korábban még nem teszteltek (Ainuddin et al. [2007]), és kifejezetten hatékony az információs rendszerek tanul- mányozásában (Chin–Todd [1995]). A PLS-útelemzés ezen sajátosságai alapján jól alkalmazkodik az általunk vizsgált kutatási témához, a hipotéziseink jellegéhez, és teljesülnek a modell alkalmazási feltételei is, hiszen a minta viszonylag kisebb elem- száma és a normalitás hiánya megengedhető a PLS-SEM alkalmazása esetében (Hair et al. [2019]). Az elemzések elvégzésére a SmartPLS 3 programot használtuk (Ringle–Wende–Becker [2015]).
A PLS-modellekben a manifeszt és a látens változók közötti kapcsolat reflektív vagy formatív jellegű lehet. A reflektív modellek feltételezése, hogy a látens változó növekedése/csökkenése az indikátorokban is változást okoz, a formatív modellek esetében viszont a feltételezett kapcsolat ellenkező irányú, az indikátorok változása jelenik meg aztán a látens változókéban (Jarvis–Mackenzie–Podsakoff [2003],
T. Nagy–Bernschütz [2017]). Míg az előbbi inkább a pszichológiai és a menedzs- menttudományi kutatásokban gyakoribb, addig az utóbbi a közgazdaságtanban és a szociológiában dominál (Coltman et al. [2008]). Kutatási modellünkben – más tech- nológiaelfogadási vizsgálatokhoz (T. Nagy–Bernschütz [2017]) hasonlóan és általános- ságban az attitűdtípusú látens változóknak megfelelően (Haenlein–Kaplan [2004]) – reflektív kapcsolatot feltételeztünk.
1. ábra. Kutatási modell a PLS-SEM keretében (PLS-SEM research model)
Megjegyzés. Itt és a 2. ábra esetén az ellipszisekben a látens változók indikátorait tüntettük fel, leírásu- kért lásd a Függeléket.
Forrás: Venkatesh et al. [2003], Venkatesh–Thong–Xu [2012], Kazár [2014], Faqih [2016], Nemeslaki–
Aranyossy–Sasvári [2016], Mendoza-Tello et al. [2018], Moon–Hwang [2018], Arias-Oliva–Pelegrín- Borondo–Matías-Clavero [2019] alapján saját szerkesztés.
Dijkstra és szerzőtársai (Dijkstra–Schermelleh-Engel [2014], Dijkstra–
Henseler [2015]) továbbfejlesztették a PLS-t, az új változatot PLSc-nek nevezték el.
Az újítás az eredeti PLS-algoritmus korrekciója Nunally [1978] eredményei alapján.
A hagyományos PLS esetén a minta elemszámának növekedésével a becslések nem
közelítik a valós értékeket, míg a PLSc-nél aszimptotikusan konvergálnak hozzájuk.
A módosított algoritmust úgy tervezték meg, hogy csökkentse a másodfajú hibák előfordulását a reflektív modellekben, miközben az elsőfajú hibák aránya is kisebb a PLS-hez képest (Garson [2016]). Előnye, hogy megfelelően kalibrált, a populáció jobb leképezésére alkalmas paraméterbecsléseket tesz lehetővé, továbbá robusztu- sabb a specifikációs hibákkal szemben. A PLSc használata ajánlott akkor, ha a mo- dellben egyszerre vannak jelen közönséges és összetett faktorok, ha többször fel- használható általános modellt akarunk létrehozni, valamint, ha a kutatás mintája nem normális eloszlást követ (Dijkstra–Henseler [2015]). Mindezek figyelembevételével a PLSc-t alkalmaztuk. A PLSc-algoritmus főbb lépései a következők (Dijkstra–
Henseler [2015] 300–302. old.):
1. A látens változó εi faktor értékeinek becslése hagyományos PLS-algoritmus segítségével és az (inkonzisztens) korrelációs együtt- hatók kiszámítása: rij* cor
ε ε i, .j2. Minden reflektív látens változó esetében a
2 ˆ ˆ
ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ
A
ρ diag
diag
w S S w
w w w ww ww w
konzisztens megbízhatósági együttható értékének kiszámítása, ahol wˆ a látens változó becsült súlyvektora, és S a látens változó indikáto- rainak empirikus kovarianciamátrixa.
3. Ennek segítségével a látens változók konzisztens korrelációinak
rij meghatározása a klasszikus gyengítési korrekcióval a következő:*
( ) ( ) . )
ij ij
A i A j
r r
ρ ε ρ ε
4. A konzisztens útegyütthatók meghatározása a látens változók konzisztens korrelációi alapján. Rekurzív modell esetében az útegyütt- hatók vektora:
1 ,
X Xy
β R r
ahol RX a független változók (konzisztens) korrelációs mátrixa, rXy pedig a függő és a független változók közötti (konzisztens) korrelációs együtthatók vektora. Az egyes látens változók konzisztens súlyvektora:
ˆ .
ˆ ˆ
ρA
λ w
w w
Nem rekurzív modellek esetén más megfelelő becsléseket kell hasz- nálni (például a kétlépcsős legkisebb négyzetek módszerét).
A PLSc-modell illeszkedését a szakirodalom által javasolt kritériumok alapján vizsgáltuk. Ennek összefoglalóját az 1. táblázat tartalmazza, az elemzések részletei pedig a következő fejezetben olvashatók.
1. táblázat A modell illeszkedésének vizsgálata
(Analysing model fit)
Vizsgálat fókusza Mutató Kritérium
Indikátor-
megbízhatóság Cronbach-féle
2 1
1 – 2 , – 1
M i i
i
M s
α M s
ahol M az elemszám, si2 a variancia
> 0,6-0,7
2
1 2
1 1
,
n i i
n n
i i
i i
λ CR
λ Var ε
ahol λi az i manifeszt változóhoz tartozó
standardizált faktorsúly, és Var εi 1 λ2i a hibavariancia
> 0,6-0,7
2 ˆ ˆ
ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ,
A
ρ diag
diag
w S S w
w w w ww ww w ahol ˆw a látens változó becsült súlyvektora, és S a látens változó indikátorainak empirikus kovarianciamátrixa.
> 0,6-0,7
Konvergencia-
érvényesség
2
2 i i ,
i i
i i
AVE λ
λ Var ε
ahol λi az i manifeszt változóhoz tartozó standardizált faktorsúly, és Var εi a hibavariancia
> 0,5
Diszkriminancia- érvényesség
Fornell–Larcker-kritérium: egy adott látens változó AVE-értékének négyzetgyökénél a kérdéses és a többi látens változó közötti korrelációértékeknek minden esetben kisebbnek kell lenniük Megjegyzés. CR (composite reliability): összetétel-megbízhatósági mutató; ρ: konzisztens megbízha- tósági együttható; AVE (average variance extracted): átlagos kivonatolt variancia.
Forrás: Werts–Linn–Jöreskog [1974], Fornell–Larcker [1981], Chin [2010], Hair et al. [2014], Dijkstra–Henseler [2015], Ringle–Wende–Becker [2015], Faqih [2016], Nagy–Bernschütz [2017], Mendoza- Tello et al. [2018] alapján saját szerkesztés.
3. Eredmények
3.1. A minta leíró jellemzői
A kérdőívet 405-en töltötték ki, és mivel nem érkezett érvénytelen vagy hiá- nyos válasz, a modell elemzése során minden résztvevő véleményét fel tudtuk hasz- nálni. A kitöltők átlagos életkora alig magasabb 29 évnél, azzal, hogy a módusz, illetve a medián 24 év. A fiatalok túlsúlya rajzolódik ki a több mint 6 millió magyar Facebook-felhasználó (Napoleoncat [2019]) és a 405 válaszadó között egyaránt.
Bár a hazai Facebook-felhasználók között is többségben vannak a nők, a minta ne- mek szerinti megoszlása a populációnál jelentősebb eltolódást mutat a javukra. En- nek többek között az lehet az oka, hogy a nők általában nagyobb arányban töltenek ki kérdőíveket (Smith [2008]). Hasonló kisebb aránytalanságok más hazai kutatások- ban is előfordultak.
2. táblázat A minta leíró statisztikai jellemzői
(Descriptive statistics of the sample)
Megnevezés Relatív gyakoriság
(%)
Facebook- felhasználók
eloszlása Magyarországon
(%)
Informatikai jártasság Válaszok átlaga
Életkor (év) Rendszeresen használom a közösségi oldalakat
(Facebook, Twitter, Instagram) 6,11
13–17 1,73 3,3
18–24 53,58 17,2 Rendszeresen használok netbankolási szolgáltatásokat 5,76 25–34 20,74 23,8 Rendszeresen használok online fizetési rendszereket 4,89 35–44 10,12 21,0 Ismerem a kriptovalutákat és azok működését
(Bitcoin, Ethereum) 1,19
45–54 7,41 16,2
55–64 4,20 10,3 Rendszeresen használok kriptovalutákat (Bitcoin,
Ethereum) 2,31
65+ 2,22 8,1 Nem
Férfi 35 Nő 65
Megjegyzés. A Facebook-felhasználók magyarországi eloszlására vonatkozó adatok kerekítés miatt nem adják ki a 100,0 százalékot. A kérdőívet kitöltők egyetértésük fokát az informatikai jártasságra vonatkozó állításokkal egy 7 pontos Likert-skála segítségével adták meg, ahol az 1-es érték az „Egyáltalán nem értek egyet”, míg a 7-es a „Teljes mértékben egyetértek” válasznak felelt meg.
Forrás: NapoleonCat [2019] és saját szerkesztés.
Felmértük a kitöltők – témaspecifikus – informatikai jártasságát is, tehát azt, hogy a válaszadók aktív tagjai-e egy közösségi oldalnak, valamint szoktak-e interne- ten keresztül vásárolni, online fizetési megoldásokat alkalmazni, illetve kriptovalutákat használni. Míg szinte mindenki teljesen egyetértett abban, hogy az internet mindennapi életének része, alternatív fizetési módokat, mobiltárca- szolgáltatásokat, illetve kriptovalutákat nagyon kevesen ismernek vagy használnak.
3.2. A PLS-SEM kutatási modell
A PLS-SEM-modell futtatására legfeljebb 1 000 iterációt engedélyezve került sor. Az egyes látens változók leíró értékei (lásd a 3. táblázatot) egyrészről arra mu- tatnak rá, hogy a kitöltők többsége a vázolt kriptovalutát inkább kockázatosnak ítéli meg, bizalmatlan vele szemben, és nem igazán látja az FB Pénz hasznát, ahogy a környezete adaptációs hajlandóságát sem. Másrészről a válaszadók nagyobb része véli úgy, hogy gond nélkül használni tudná.
3. táblázat A látens változókat leíró statisztikák
(Latent variable descriptive statistics)
Látens változó Átlag Medián Módusz Szórás
Használati szándék 3,26 3 1 1,889
Várható teljesítmény 3,15 3 1 1,884
Használat várható egyszerűsége 4,62 5 6 1,834
Közösségi hatás 3,41 3 3 1,752
Elősegítő feltételek 4,02 4 5 1,938
Észlelt bizalom 3,28 3 1 1,778
Észlelt kockázat 4,44 5 5 1,795
Megjegyzés. A táblázatban szereplő statisztikák a kérdőívet kitöltők 7 pontos Likert-skálán adott vála- szain alapulnak.
A modell megbízhatóságának tesztelésére a Cronbach-féle α és a CR-mutató alkalmazhatók. Faqih [2016] megerősítette Hair et al. [2014] megállapítását, misze- rint a Cronbach-féle α az egyik legszélesebb körben elfogadott mutatószám e célra, ugyanakkor a PLS-kutatók közül sokan az összetétel-megbízhatósági mutatót prefe- rálják. Hair et al. [2014] az előbbi indikátor esetén 0,6-0,7-nél magasabb értéket állapított meg kritériumnak, és ugyanez az elvárás vonatkozik a CR értékére is (Fornell–Larcker [1981]). Hasonlóan a modell megbízhatóságát igazolják a
ρA-értékek (Dijkstra–Henseler [2015]). Ahogy a 4. táblázat mutatja, minden konst- rukció esetben megfelelést állapíthatunk meg.
4. táblázat A megbízhatóság mérőszámai
(Measures of construct reliability) Látens változó Cronbach-
féle α p-érték CR p-érték ρA p-érték AVE p-érték Észlelt bizalom 0,954 0,000 0,953 0,000 0,962 0,000 0,674 0,000 Használati szándék 0,948 0,000 0,948 0,000 0,950 0,000 0,649 0,000 Várható teljesítmény 0,943 0,000 0,943 0,000 0,953 0,000 0,588 0,000 Közösségi hatás 0,941 0,000 0,940 0,000 0,951 0,000 0,641 0,000 Észlelt kockázat 0,937 0,000 0,935 0,000 0,939 0,000 0,591 0,000 Használat várható egyszerűsége 0,913 0,000 0,905 0,000 0,920 0,000 0,581 0,000 Elősegítő feltételek 0,885 0,000 0,883 0,000 0,903 0,000 0,527 0,000
A 4. táblázat adatai alapján tehát minden változó vonatkozásában megfelelő illeszkedésűnek tekinthető a modellünk, és a konzisztens bootstrapping által feltárt p-értékek kizárják a standard hiba lehetőségét 0,05-os valószínűségi szint mellett (Ringle–Wende–Becker [2015]).
A modell érvényességének igazolásához egyrészről az egyes látens változók saját indikátorai között kell magas korrelációt kimutatni (konvergenciaérvényesség), másrészről pedig a különböző látens változók indikátorai közötti alacsony korrelációt szükséges bizonyítani (diszkriminanciaérvényesség). Az AVE – ahogy az 1. táblázat- ban bemutattuk – a konvergenciaérvényesség mérőszáma (Chin et al. [2009], Mendoza-Tello et al. [2018]); ideális esetben 0,5 fölötti értéket kell mutatnia, ami azt jelenti, hogy a magyarázott variancia nagyobb, mint a hibavariancia. Modellünkben tehát a konvergenciaérvényességnek ez a feltétele teljesül.
A diszkriminanciaérvényesség ellenőrzéséhez a Fornell–Larcker-kritérium tel- jesülését vizsgáltuk (Ringle–Wende–Becker [2015]): egy adott látens változó AVE-értékének négyzetgyökénél a kérdéses és a többi látens változó közötti korreláci- ók értékeinek minden esetben kisebbnek kell lenniük. Itt egyedül a várható teljesít- mény és a használati szándék korrelációja nem felelt meg az elvárásnak, mivel értéke (0,866) valamivel magasabb, mint a használati szándék AVE-négyzetgyöke (0,805) (Hair et al. [2014]). Ez a szorosabb korreláció szakmailag jól értelmezhető és alapve- tően illeszkedik a hipotéziseinkhez, valamint a korábbi kutatási eredményekhez.
Összességében tehát a modellünk a megbízhatósági teszteknek és a konvergenciaérvényesség mércéjének is megfelel, a diszkriminanciaérvényesség
észlelt apróbb gyengeségeire azonban figyelemmel kell lennünk az eredmények értelmezése során (Garson [2016]).
3.3. A strukturális modell értékelése
Az R2-indikátor a modell előrejelző képességének pontosságát mutatja meg (Khalilzadeh–Tasci [2017]). Az „FB Pénz” koncepció számára készített adaptációs modellben a használati szándék R2 értéke 0,82, vagyis a modell 82,0 százalékban tudja magyarázni a használati szándék varianciáját (Garson [2016]). Ez a magyarázó erő a kutatási területen jelentősnek számít, hasonlóan nagy (84,8 százalék) volt pél- dául Arias-Oliva–Pelegrín-Borondo–Matías-Clavero [2019] technológiaelfogadási hajlandóságot vizsgáló modelljében is.
A hatásméret (f 2) egy független változó adott függő változóra kifejtett hatását méri (Mendoza-Tello et al. [2018]). Cohen [1988] rangsorolása alapján az f 2-értékek e befolyás különböző szintjeit jelezhetik: 0,02 és 0,15 között gyenge, 0,16 és 0,35 között közepes, 0,35 felett pedig jelentős módosító erőt. Ezek alapján a várható teljesítmény lényeges (0,637), az észlelt bizalom mérsékelt (0,155), a használat várható egyszerűsé- ge (0,029) és az észlelt kockázat (0,026) pedig gyenge hatást gyakorol a használati szándékra. Az elősegítő feltételeknél (0,003) és a közösségi hatásnál (0,004) az értéke elhanyagolható, tehát ezek lényegében nincsenek kimutatható hatással a használati szándék varianciájának változására. A használat várható egyszerűsége ugyanakkor a várható teljesítményre jelentős hatást (0,858) fejt ki (Garson [2016]). Más tanulmá- nyok (például Khalilzadeh–Tasci [2017]) arra hívják fel a kutatók figyelmét, hogy a hatásértékek csak egy-egy tényező szerepét mutatják a kapcsolatban, ami nem feltétle- nül jelenti azt, hogy e változók a kapcsolat egyedüli meghatározói, azaz feltehetően más szignifikáns variáns is feltárható a felépített konstrukción túl.
Az útegyütthatókkal kapcsolatban elsődleges feltevés, hogy „az egyik változó másik változóra gyakorolt hatása vagy mértéke mennyiségileg is kifejezhető”
(Li [1956] 192. old.); erre az értékre másképpen direkt hatásként hivatkozunk.
Mellette megjelenik az indirekt hatás, és e kettő összege adja a teljes hatást. Az érté- kük –1 és +1 között mozoghat; minél nagyobb abszolút értékben, annál jelentősebb magyarázó erőről beszélhetünk (Garson [2016]).
Esetünkben a látens változók közül a várható teljesítmény több mint 50 száza- lékban magyarázza a használati szándék varianciáját. (Lásd az 5. táblázat utolsó oszlopát.) A hatásnagyság alapján utána következő észlelt bizalom már csupán 23 százalékban teszi ezt, és még ennél is alacsonyabb értékeket találhatunk a haszná- lat várható egyszerűségére (11,379%), az észlelt kockázatra (–7,600%), a közösségi hatásra (3,650%), valamint az elősegítő feltételekre (–3,263%) vonatkozóan.
Összehasonlításképpen, egy másik, kriptovalutával kapcsolatos adaptációs kutatásban
(Arias-Oliva–Pelegrín-Borondo–Matías-Clavero [2019]) a várható teljesítmény még az általunk megállapítotthoz képest is jelentősebb magyarázó erővel bírt (68,45%), de ott ezt az elősegítő feltételek követték 14,81 százalékkal és a használat várható egyszerűsége (ugyan szignifikáns, de) sokkal alacsonyabb értékkel (4,99%).
A PLS-SEM-ben az útegyütthatók tesztelése elsősorban boostrapping segítsé- gével hajtható végre (Kazár [2014]). A SmartPLS 3 is lehetőséget nyújt erre a PLSc- algoritmust használatán keresztül. A szakirodalmi javaslatokat (például Ringle–
Wende–Becker [2015]) követve, 5 000 véletlenszerű részminta lefuttatásával hajtot- tuk végre ezt a vizsgálatot, a szignifikanciájukat pedig t-próbával ellenőriztük.
Az 5. táblázatban közölt eredmények megerősítik, hogy míg esetünkben a legtöbb modellváltozó hatása szignifikáns, a közösségi hatás és az elősegítő feltételek nem befolyásolják jelentősen a használati szándékot.
5. táblázat Útegyütthatók, p- és t-értékek, valamint a használati szándék varianciájának magyarázata
(Path coefficients, p- and t-values, and explanation of the variance in the intention to use the hypothetical cryptocurrency)
Kapcsolat Útegyüttható p-érték t-érték
Használati szándék varianciájának
magyarázata (%) Várható teljesítmény → Használati szándék 0,588 0,000*** 11,788*** 54,542 Használat várható egyszerűsége → Használati szándék 0,123 0,011* 2,535* 11,379 Használat várható egyszerűsége → Várható teljesítmény 0,680 0,000*** 23,262*** – Észlelt bizalom → Használati szándék 0,249 0,000*** 5,920*** 23,117 Észlelt kockázat → Használati szándék –0,082 0,008** 2,672** –7,600 Közösségi hatás → Használati szándék 0,039 0,350 0,935 3,650 Elősegítő feltételek → Használati szándék –0,035 0,424 0,800 –3,263
*** p < 0,001; ** p < 0,01; * p < 0,05.
Megjegyzés. A direkt hatások és a hozzájuk tartozó korrelációs értékek szorzatának összege a használati szándék R2-értékét (0,81825) adja. A használati szándék varianciájának magyarázata egy-egy változó hozzájá- rulását fejezi ki az R2-értékhez.
4. Összegzés
A továbbiakban a hipotézisvizsgálatok alapján levont következtetéseinket fog- laljuk össze az általunk értékelt, hasonló dolgozatok eredményeinek tükrében.
Más releváns kutatásokhoz hasonlóan mi is azt találtuk az FB Pénz esetén, hogy szignifikáns pozitív kapcsolat van a várható teljesítmény és a használati szándék között, illetve a független látens változók közül a várható teljesítmény magyarázó ereje a legnagyobb a használati szándék vonatkozásában. (Lásd a 6. táblázatot.)
6. táblázat Eredményeink hasonló kutatások tükrében
(Our results in light of other studies)
Megnevezés
Modell
Aranyossy–Recskó [2021]
Nemeslaki–
Aranyossy–Sasvári [2016]
Arias-Oliva–
Pelegrín- Borondo–Matías-
Clavero [2019]
Jung et al.
[2019]
Földrajzi fókusz Magyarország Magyarország Spanyolország Dél-Korea, Kína, Vietnám Technológiai fókusz FB Pénz e-szavazás kriptovaluta kriptovaluta
Mintaméret 405 452 402 208
Elméleti alap UTAUT kibővített TAM UTAUT UTAUT
Útegyüttható Várható teljesítmény →
Használati szándék 0,588*** H1 megerősítve 0,465*** 0,764*** 0,165*
Használat várható egyszerűsége → Használati szándék
0,123* H2 megerősítve 0,143*** 0,078* 0,241**
Közösségi hatás →
Használati szándék 0,039 H4 elvetve – –0,041 0,364***
Elősegítő feltételek →
Használati szándék –0,035 H5 elvetve – 0,220*** 0,187***
Észlelt kockázat →
Használati szándék –0,082** H6 megerősítve – –0,017 – Észlelt bizalom →
Használati szándék 0,249*** H7 megerősítve
0,342***
–0,005 – –
Használat várható egyszerűsége →
Várható teljesítmény 0,680*** H3 megerősítve 0,528*** – –
*** p < 0,001; ** p < 0,01; * p < 0,05.
Megjegyzés. Nemeslaki–Aranyossy–Sasvári [2016] modelljében az észlelt bizalom → használati szán- dék kapcsolathoz két modellegyüttható tartozik: 0,342 az internetbe vetett bizalomra, 0,005 a kormányzatba vetett bizalomra vonatkozik.
Forrás: Nemeslaki–Aranyossy–Sasvári [2016], Arias-Oliva–Pelegrín-Borondo–Matías-Clavero [2019]
és Jung et al. [2019] alapján saját szerkesztés.
A használat várható egyszerűsége esetén nem csupán közvetlen hatásról be- szélhetünk, hanem a várható teljesítményen keresztül kifejtett közvetett hatásról is – már az eredeti TAM is tartalmazta ezt az összefüggést (Davis [1986]), és az összeha- sonlító vizsgálat (Nemeslaki et al. [2016]) ugyancsak erre a következtetésre jutott.
A használat várható egyszerűsége jelentős indirekt hatást (0,400) gyakorol a várható teljesítményen keresztül a használati szándékra, míg közvetlen hatása (bár szignifi- káns, de) alacsony (0,123). A H1, H2 és H3 hipotéziseket tehát megerősítették az eredményeink.
Az eredeti UTAUT-modellhez illeszkedve az elősegítő feltételek és a közösségi hatás is a modellünk részét képezték. Venkatesh et al. [2003] úgy találta, hogyha a várható teljesítmény és a használat várható egyszerűsége jelen vannak a modellben, az elősegítő feltételek hatása jelentéktelen lesz. Ezzel ellentétben, Gunawan és Novendra [2017] kriptovaluták adaptációs hajlandóságát vizsgáló kutatása az elősegítő feltételek szignifikáns jelenlétét állapította meg. Az FB Pénz használati hajlandósága esetén ezt a hatást Venkatesh et al.-hoz [2003] hasonlóan nem tudtuk alátámasztani, a H5 hipotézis tehát nem erősíthető meg a megkérdezettek véleménye alapján.
Hasonlóképpen, a közösségi hatás FB Pénz használatára vonatkozó előrejelző képessége is nagyon kicsi, nem tekinthető szignifikánsnak – így a H4 hipotézist is el kell vetnünk. Bár e kérdésben Arias-Oliva, Pelegrín-Borondo és Matías-Clavero [2019]
(szintén kriptovaluták tekintetében) a miénkhez hasonló megállapításra jutottak, ez nem tekinthető „főáramú eredménynek”, hiszen például Moon és Hwang [2018] egye- nesen a legerősebb változónak találták a közösségi hatást. Eredményeink tehát nem illeszkednek abba a jelenleg „divatos” teóriába, miszerint a kriptovaluták elfogadását és kereskedését illetően meghatározók a közösségi hatások, melyek a közvetlen isme- rősök véleményétől kezdve a „nyájhatásig” terjedhetnek. Érdemes azonban azt is fi- gyelembe venni, hogy e megállapítások csak egy meghatározott válaszadói kör észlelé- sét, véleményét tükrözik.
Más hazai kutatókhoz hasonlóan az internetbe vetett bizalmat (észlelt bizalom) szignifikáns tényezőnek találtuk (p < 0,001). Az észlelt kockázat befolyása tulajdon- képpen ennek a bizalmi kérdésnek a „másik oldala”. Ezzel összhangban állnak az eredményeink is, melyek szerint az észlelt kockázat kismértékű, de szignifikáns ha- tást gyakorol a használati szándékra (p < 0,01; a kapcsolat ellentétes irányú), így a H6 és H7 hipotéziseket elfogadhatjuk. A 2. ábra vizuális formában is összegzi a PLS- modellezés és a hipotézisvizsgálatok eredményeit.
2. ábra. Kutatási eredmények (Research results)
*** p < 0,001; ** p < 0,01; * p < 0,05.
Kutatásunk megerősítette az UTAUT-modell, azon belül is elsősorban az ere- deti független TAM-változók hatását egy fiktív közösségi kriptovaluta felhasználói elfogadására. Vagyis, mi is igaznak találtuk, hogy a magyar felhasználókat elsősor- ban az új technológiai megoldás várható hasznossága és a használat egyszerűsége befolyásolná. Továbbá alátámasztottuk azt az általában helyes feltételezést (Nemeslaki–Aranyossy–Sasvári [2016]), miszerint a magyar vásárlók érzékenyek a technológiai kockázatokra, és csak magasabb bizalmi szint esetében nyitnak az újítások felé.
Ezek az eredmények többek között azért is fontosak, mert az államoktól füg- getlen kriptovaluták, így a tervezett Libra vagy az itt vázolt hipotetikus FP Pénzhez hasonló fizetőeszközök piaci jövője nagyon bizonytalan. Az évszázadok során a pénzre mindig igaz volt egyrészt, hogy mint közjó „összefonódott” a szuverén ál- lammal, másrészt pedig csak akkor nyerhetett bizalmat, ha megfelelő intézményi
háttérrel rendelkezett. Az új megoldások ezeknek a feltételeknek ugyan nem tesznek eleget (Mersch [2019]), mégis azt tapasztaljuk, hogy nap mint nap születnek új el- képzelések, megoldások velük kapcsolatban. Így többek között azért is érdemes fo- lyamatosan figyelemmel követni a felhasználói befogadási szándékra irányuló és a használati szintű vizsgálatokat, hogy eredményeiket beépíthessük a technológiai- üzleti fejlesztésekbe.
Dolgozatunkban választ adtunk arra a pénzügyi szolgáltatások innovációjával foglalkozó szakembereket, valamint a piaci szabályozás kidolgozóit foglalkoztató kérdésre, hogy egy jövőbeli kriptovaluta potenciális felhasználóit milyen tényezők befolyásolnák használati szándékukban. Az új rendszer bevezetésekor elsősorban arra érdemes törekedni, hogy azt a felhasználók hasznosnak, számukra értékteremtő- nek és megbízhatónak érezzék, illetve csak kis kockázatot lássanak benne.
Módszertani szempontból tanulmányunk megerősítette, hogy a PLS-SEM használata a technológiaelfogadás kutatása céljából nemcsak megfelelő és eredmé- nyes választás, de a főáramú modellek kontextusában a nemzetközi diskurzusba való bekapcsolódás eszköze is lehet. A megbízható eredmények eléréséhez azonban fon- tos folyamatosan szem előtt tartani a modell alkalmazhatóságának feltételeit, illesz- kedésének kritériumait, valamint módszertani alternatíváit is.
A bemutatott kutatási modell tesztelésén túl adatbázisunk további vizsgálatával olyan statisztikai összefüggésekre is rábukkanhatunk, mint a várható teljesítmény és a közösségi hatás/észlelt bizalom pozitív korrelációja. Ezeken túl vélhetően szintén pozitív irányú statisztikai kapcsolatot lehet felfedezni az elősegítő feltételek és a várható egyszerűség, illetve az észlelt kockázat és az észlelt bizalom között. E kap- csolódásokkal azonban jelen UTAUT-modellünket két okból nem „terheltük”: egy- részt, hogy tesztelését az új technológia szempontjából „tiszta formában” tehessük meg, másrészt pedig azért, mert túlzott mértékű mintára illeszkedése ronthatott volna az eredményeink általánosíthatóságán (Koltai [2013]). A jövőre nézve emiatt java- soljuk tesztelését egy másik mintán, illetve módosítását az idővel bekövetkező kör- nyezeti-technológiai változásoknak megfelelően, csakúgy, mint a kérdőív elemeinek finomítását. Vizsgálatunk jelentős korlátja volt, hogy egy hipotetikus helyzetre kér- dezett rá (ami a TAM-kutatások esetében gyakori), tudva, hogy a megvalósítás tény- leges üzleti, technológiai és szabályozási jellemzői lényegesen befolyásolhatják egy jövőbeli közösségi kriptovaluta használatát. Így, amint lehetőség lesz rá, érdemes a modellt valós környezetben is tesztelni.
Függelék
A kérdőívben használt indikátorok és statisztikai jellemzőik (Indicators in the questionnaire and their descriptive statistics) Változó
jelölése Változóhoz tartozó állítás
(értékelés 7 fokozatú Likert-skálán) Átlag Medián Módusz Szórás Faktor- súly HH_1 Használnám az FB Pénzt 3,52 4 5 1,829 0,130 HH_2 Bizonytalanság nélkül kipróbálnám az FB Pénzt 2,90 3 1 1,776 0,121 HH_3* Számomra idegennek tűnik az FB Pénz – – – – – HH_4 Bátorítanék másokat, hogy használják az FB Pénzt 2,88 3 1 1,603 0,119 HH_5 El tudnám képzelni, hogy az FB Pénzt használom 3,83 4 5 1,880 0,124
HH_6 Szívesen fogadnék el pénzt FB Pénzben 3,05 3 1 1,823 0,118 HH_7 Úgy gondolom, hogy a jövőben használni fogok
kriptovalutákat 3,22 3 1 1,798 0,108
HH_8 Úgy gondolom, hogy a jövőben használni fogok közösségi oldalak által létrehozott és működtetett
kriptovalutákat 2,99 3 1 1,698 0,125
HH_9 Amikor csak tudnám, az FB Pénzt használnám más
fizetési módok helyett 2,42 2 1 1,624 0,127 HH_10 Támogatnám az FB Pénz működését és elterjedését 2,90 3 1 1,727 0,131 HH_11 Ha jobban megismerném az FB Pénz működését,
és megbizonyosodnék a megbízhatóságáról, akkor
sokkal inkább hajlandó lennék azt kipróbálni 4,88 5 7 1,918 0,104
VT_1 Hasznosnak találnám az FB Pénzt 3,92 4 4 1,812 0,133
VT_2 Sokkal komolyabban venném a pénzhasználatot
az FB Pénz révén 2,57 2 1 1,685 0,101
VT_3 Az FB Pénz könnyebbé tenné számomra a vásárlást 3,81 4 5 1,910 0,117 VT_4 Az FB Pénz révén sokkal gyakrabban vásárolnék 3,07 3 1 1,799 0,095 VT_5 Az FB Pénz használata növelné a lehetőségeim
számát, hogy a számomra szükséges termékeket,
szolgáltatásokat megszerezzem 3,28 3 1 1,882 0,103 VT_6 Az FB Pénz használata segítene nekem,
hogy igényeimet gyorsabban kielégítsem 3,70 4 1 1,942 0,115 VT_7 Az FB Pénz használata növelné az életszínvonalamat 2,45 2 1 1,545 0,098 VT_8 Az FB Pénz növelné a hatékonyságomat a termékek
és szolgáltatások vásárlásában 3,41 3 1 1,852 0,109 VT_9 Az FB Pénz révén egyes termékeket sokkal
könnyebben megvásárolnék 3,89 4 1 1,993 0,109
VT_10 Az FB Pénzt hasznosnak találnám a személyes
életemben 3,05 3 1 1,758 0,126
(A táblázat folytatása a következő oldalon)
![ρ A -értékek (Dijkstra–Henseler [2015]). Ahogy a 4. táblázat mutatja, minden konst- konst-rukció esetben megfelelést állapíthatunk meg](https://thumb-eu.123doks.com/thumbv2/9dokorg/732727.29311/16.892.176.718.377.577/értékek-dijkstra-henseler-táblázat-mutatja-rukció-megfelelést-állapíthatunk.webp)
